卡尺工具，尺寸测量，直线拟合，圆拟合。
卡尺工具在工业检测里挺常见的，尤其是自动化尺寸测量的时候。比如检测零件边缘的直线度或者圆孔的直径，这时候就得靠算法从图像里把实际尺寸抠出来。不过别以为这玩意儿简单——图像里的噪点、光照变化分分钟能让测量结果飘到姥姥家。
先说怎么找边缘点。假设咱们用OpenCV处理一张零件图，先灰度化再Canny边缘检测，边缘点坐标就出来了。但这时候的点可能是散的，得用卡尺工具沿着特定方向做搜索。比如下面这段代码模拟垂直方向上的卡尺扫描：
import cv2 import numpy as np def ruler_scan(img, roi_width=100, step=5): height, width = img.shape points = [] for y in range(0, height, step): roi = img[y:y+1, width//2 - roi_width//2 : width//2 + roi_width//2] max_val = np.max(roi) if max_val > 128: # 简单阈值判断 x_pos = np.argmax(roi) + (width//2 - roi_width//2) points.append((x_pos, y)) return np.array(points)这法子虽然糙，但胜在速度快。实际工业场景里可能会用亚像素边缘检测，把精度提到0.1像素级别。
拿到边缘点之后，直线拟合就该上场了。最基础的当属最小二乘法：
def fit_line(points): x = points[:,0] y = points[:,1] A = np.vstack([x, np.ones(len(x))]).T k, b = np.linalg.lstsq(A, y, rcond=None)[0] return k, b但实际场景里经常遇到异常点，比如工件表面的划痕被误检。这时候RANSAC算法就派上用场了。举个OpenCV的实现例子：
import cv2 vx, vy, x0, y0 = cv2.fitLine(points, cv2.DIST_L2, 0, 0.01, 0.01) k = vy / vx # 斜率 b = y0 - k * x0RANSAC的核心是随机采样+迭代验证，代码里虽然没直接写循环，但cv2.fitLine内部已经处理了异常点的问题。不过要注意，当数据中有超过50%的离群点时，这方法也得跪。
圆拟合就更刺激了。最小二乘法的计算量直接上了一个台阶：
def fit_circle(points): x = points[:,0] y = points[:,1] A = np.vstack([2*x, 2*y, np.ones(len(x))]).T b = x**2 + y**2 cx, cy, r = np.linalg.lstsq(A, b, rcond=None)[0] r = np.sqrt(r + cx**2 + cy**2) return (cx, cy), r这其实是把圆方程展开成线性方程组来解。不过实际用的时候会发现，噪声稍大点结果就崩。所以OpenCV自带的霍夫圆检测虽然慢，但鲁棒性更好：
circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, 1, 20, param1=50, param2=30, minRadius=10, maxRadius=100)参数调校是门玄学，param2控制累加器阈值，低了会有多个假圆，高了可能漏检。有个骚操作是先用霍夫检测粗定位，再用最小二乘法精修，这样既能抗噪又保证了精度。
测量系统最怕的是误差累积。曾经有个项目，客户反馈测量结果每天会漂0.1mm，查到最后发现是温度变化导致工业相机CMOS产生热胀冷缩。后来在算法里加了个参考物坐标系校准才解决。所以啊，搞机器视觉的，既要懂代码风花雪月，也得明白螺丝该怎么拧。
